CN103927507A - 一种改进的变电站巡检机器人的多仪表读数识别方法 - Google Patents

Abstract

本发明公开了一种改进的变电站巡检机器人的仪表读数识别方法，首先针对各个不同种类的仪表设备图像，进行设备模板化处理，并在模板库中建立各仪表的min刻度和max刻度的位置信息。对于机器人实时采集的仪表设备图像，在后台服务中调取相应设备的模板图，利用尺度不变特征变换（SIFT）算法，在输入图像中匹配提取仪表表盘区域子图像。而后对表盘子图像进行二值化、仪表指针骨干化处理，利用快速霍夫变换检测指针直线去除噪音干扰，定位指针精确位置和指向角度，完成指针读数。此算法经过国内某500kv智能变电站巡检机器人实地测试，各种仪表综合识别率超过99%，对仪表的读数具有高精度高鲁棒性，完全满足变电站现场应用的要求。

Description

一种改进的变电站巡检机器人的多仪表读数识别方法

技术领域

本发明涉及一种改进的变电站巡检机器人的多仪表读数识别方法。

背景技术

变电站设备巡检机器人是基于自主导航、精确定位、自动充电的室外全天候移动平台，集成可见光、红外、声音等传感器；基于磁轨迹和路面特殊布置的RFID标签，实现巡检机器人的最优路径规划和双向行走，将被检测设备的视频、声音和红外测温数据通过无线网络传输到监控室；巡检后台系统通过设备图像处理和模式识别等技术，结合设备图像红外专家库，实现对设备热缺陷、分合状态、外观异常的判别，以及仪表读数、油位计位置的识别；并配合智能变电站顺控操作系统实现被控设备状态的自动校核[鲁守银，钱庆林，张斌，等。变电站设备巡检机器人的研制[J]。电力系统自动化，2006，30（13）：94–98]。

电力系统的变电站有许多设备配置了指针仪表，如：气压表，温度表，油温表，避雷器表等。这种指针式仪表因其结构简单、直观、操作容易、低成本低故障率等优点，由此被广泛应用。在变电站中这种仪表每天都需要记录大量的数据。目前国内记录仪表数据主要靠人眼观测，精度低、可靠性差、效率低、劳动强度大。随着智能变电站的试点建设与巡检机器人的发展及推广使用[周立辉，张永生，孙勇，等。智能变电站巡检机器人研制及应用[J]。电力系统自动化，2011，35（19）：85–88]，仪表数据的记录工作已经向自动化操作方向改进，但仍需运行人员参与核实确认机器人采集的仪表状态图像。这种模式虽然减轻了运行人员的劳动强度、缩短了操作时间，但对现场人员的主观判断依赖较大，受现场人员知识、经验等条件约束，容易出现误判，影响变电站无人值守等集约化运行管理模式的推进。因此，研发一种适用于巡检机器人的快速、准确、稳定可靠的指针式仪表的自动识别系统具有非常重要的意义。

变电站的仪表多数安置在室外，所以巡检机器人采集的仪表图像通常受到环境的影响，诸如昼夜及天气阴晴引起的光照强度的变化，雨雪雾天造成的仪表表盘的模糊，以及变电站中多样的设备造成采集的仪表图像中呈现复杂的背景，种种这些不利的条件，都会直接影响到仪表状态识别的结果。

依照现有的指针仪表指针自动读数的识别算法，首先利用仪表表盘的形状特征，通过模板匹配或椭圆拟合确定仪表表盘在图像中的基本位置及区域范围。在[蔡文超，于骞，王宏，等。基于快速Hough变换的圆形仪表的检测与读取[C]。中国人工智能学会第10届全国学术年会。2003，617–622]中提到通过边缘检测的对比研究，提出一种梯度算子与形态学运算相结合的边缘提取方法，利用快速Hough变换提取圆或椭圆的仪表表盘，虽然其算法具备一定实时性和鲁棒性，但并不适用于巡检机器人采集到的变电站仪表图像。这是由于在变电站设备结构复杂，在机器人采集到的图像中，背景紊乱，并不仅仅包含仪表区域，还同时囊括了其它设备，之中不乏包含近似圆形的部件，在使用椭圆检测的算法时，极易出现错误的检测结果。在[戴亚文，王三武，王晓良。基于灰度信息的多特征模板匹配法[J]。电测与仪表。2004，4（41）:56–58]中提到通过仪表表盘的模板图像在输入图像中匹配相似区域，从而提取出仪表表盘，这一算法的优点是比Hough变换节省计算时间，并且利用表盘内部的固有特征可以提高匹配的准确性。但这一算法也不适合用于变电站巡检机器人，因为变电站中分布着多种仪表设备，每种仪表都具有独特的外形，而为了提高机器人的工作效率，在每一次巡检任务中，在规划的行进路线上机器人将会拍摄途经的所有仪表设备，在仪表识别的过程中如果用单一的模板图像并不适用于多样的仪表图像。

通常在获取了仪表表盘的子图像后，再使用多种的图像处理方法提取仪表指针的位置及指向方向。在指针识别方面，前人进行过大量的研究，指针识别算法比较成熟，主要有中心投影法，减影法，模板特征法，Hough变换法，最小二乘法及这些方法的联合应用。在[岳国义，李宝树，赵书涛。智能型指针式仪表识别系统的研究[J]。仪器仪表学报。2003，24（4）：430–431]中提到把刻度作为小段的直线，利用Hough变换同时识别指针与刻度，虽然可以保证一定的精度和计算时间，但对一些多符号、多条纹的等干扰的仪表并不适用。在[何智杰，张彬，金连文。高精度指针仪表自动读数识别方法[J]。计算机辅助工程，2006，15（3）：9–12]中提出用输入图像仪表指针位置减去零刻度时的指针位置的减影法，再以直线拟合得到指针的中心线的骨干精确位置，以此来提高计算速度和指针精度，在刻度识别时采用条件Hough变换（Constrained Hough Transfer）结合中心投影分析的迭代方法去除噪音的干扰，得到完整的刻度读数。但此算法有诸多的前提条件约束，首先利用减影法的零刻度仪表指针图像要与输入图像保证在同一个拍摄平面，如果两幅图像存在角度差异，则会影响最终的指针读数；其次表盘刻度图像需要近距离拍摄并有一定的清晰度，否则也会影响到刻度的识别结果，由此也不适合用于巡检机器人在远距离多角度多种环境下拍摄的仪表图像的识别。

发明内容

本发明的目的就是为了解决上述问题，提供一种改进的变电站巡检机器人的多仪表读数识别方法，它具有对仪表的读数具有高精度高鲁棒性，满足变电站现场应用需求的优点。

为了实现上述目的，本发明采用如下技术方案：

一种改进的变电站巡检机器人的多仪表读数识别方法，首先，需要把变电站每一个预置位的一个或多个仪表的图像都保存到仪表的模板库中，模板库中仪表图像的仪表位置和变电站的仪表位置是一一对应的，在向巡检机器人下达执行任务时，要将在每个预置停车位的待识别仪表种类明确的指出，在巡检机器人行进至此预置停车位后，巡检机器人从仪表的模板库中调取指定仪表的模板的图像，然后巡检机器人通过自带的CCD摄像机和红外热像机采集一个预置位的指针仪表的红外图像和可见光图像，如果拍摄所获得图像的仪表的个数与模板图像中仪表的个数不一致，需要重新拍摄，然后采用SIFT（Scale-invariant feature transform）算法实现指针仪表定位；采用Hough变换算法实现已采集的指针仪表与仪表模板库的指针仪表进行匹配识别，最后通过无线网络发送给机器人基站，由机器人基站通过IEC61850接口发送到变电站顺控平台，依此驱动顺控操作的执行。

所述仪表定位分为以下具体步骤，

步骤（1-1），生成尺度空间；

步骤（1-2），生成SIFT特征向量；

步骤（1-3），匹配SIFT特征向量。

所述仪表读数识别分为以下具体步骤，

步骤（2-1），仪表图像的预处理；

步骤（2-2），利用快速Hough交换算法识别仪表指针。

所述步骤（1-1），生成尺度空间，包括以下具体步骤，

步骤（1-1-1），生成尺度空间的图像：利用一组连续的高斯卷积核与原图像进行卷积生成尺度空间图像；

步骤（1-1-2），生成DoG（Difference ofGaussian）图像：将相邻尺度的尺度空间图像相减得到一组DoG图像；搜索局部极值点，确定备选的特征点。

所述步骤（1-2），生成SIFT特征向量，包括以下具体步骤，

步骤（1-2-1），通过尺度空间极值的检测，初步确定关键点位置和所在尺度；

步骤（1-2-2），通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点；

步骤（1-2-3），利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性；

步骤（1-2-4），在以关键点为中心的8×8的窗口内，分成4个4×4的小块，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即形成一个种子点；对每个关键点使用若干个种子点来描述，这样对于一个关键点最终形成SIFT特征向量；此时SIFT特征向量已经去除了尺度变化、旋转几何变形因素的影响，再继续将特征向量的长度归一化，则进一步去除光照变化的影响。

步骤（1-3），匹配SIFT特征向量，包括以下具体步骤：

步骤（1-3-1），计算两幅图像的特征点的匹配关系：生成图像的SIFT特征向量后，采用两幅图像中关键点特征向量的欧氏距离作为相似性判定度量，取源图像中的某个关键点，并找出其与待匹配图像中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离小于某个比例阈值，则接受这一对匹配点。

步骤（1-3-2），计算投影变换矩阵，在巡检机器人采集的仪表设备图像中依照模板图像准确的定位仪表位置：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]---\left(3\right)$

H为投影变换矩阵，[x',y',1]^T,[x,y,1]^T分别为某组特征匹配点在源图像和待匹配图像上的像点坐标；由已知点的坐标，求得H矩阵，根据模板图像中的设备位置，实现待检测图像中的仪表的准确定位；x'、y'为模板图像（即源图像）上特征点象素的x、y的坐标，x、y为待匹配图像上的与x'、y'相对应的坐标，即x'、y'在待匹配图中的位置。

步骤（1-3-3），利用特征点对的分布状态去除个别特征点在配准过程中存在的错误，根据公式（3）将特征点在模板图像中的坐标位置映射到机器人采集图像中，从而得到仅保留仪表设备区域的子图像。

步骤（2-1），仪表图像的预处理；主要包括以下工作步骤：

步骤（2-1-1），图像灰度化：采用平均值法将彩色图像转换成灰度图像；

步骤（2-1-2），图像二值化：采用自适应阈值算法对得到的灰度图像进行二值化，去除背景噪音而保留仪表指针的区域；

步骤（2-1-3），图像细化：采用数学形态学中的击中击不中变换来细化二值化后的图像寻找图像中的骨架。

步骤（2-2），利用快速Hough交换算法识别仪表指针；主要包括以下工作步骤：

步骤（2-2-1），通过限定角度来缩小Hough变换范围，减少需要计算的像素点：

首先，根据模板库的仪表图像定制一个指针角度的偏转范围(θ_min,θ_max)，即仪表刻度的最小值与最大值，θ_min表示仪表刻度的最小值，θ_max表示仪表刻度的最大值，而后标定出模板图像的指针位置θ_Temp；在机器人输入的采集图像中，把角度约束在30度以内的范围θ_Temp±15°进行Hough变换，如果没有检测到直线，则再在此范围外检测，这样就减少了Hough变换不必要的计算量；所述模板库的建立首先针对各个不同种类的指针仪表设备图像进行设备模板化处理，其次在模板库中建立各仪表的min刻度和max刻度的位置信息。

步骤（2-2-2），利用快速Hough交换算法检测：

（1）定义一个二维数组H[ρ][θ]作为累加器。ρ的范围为图像矩阵对角线的距离，θ最初定义仪表图像库中对应设备的最小刻度和最大角度范围(θ_min,θ_max)。区别于直角坐标系中点的坐标表示方法（x,y）,ρ与θ是极坐标系中一个点的坐标位置的两个参数，ρ表示点到坐标原点的长度，称作极径，θ被称作这一点的极角，即相对于水平0度的角度。在此引用θ为指针的角度，为表示仅在(θ_min,θ_max)范围内计算仪表指针的角度。

（2）把θ值局限在θ_Temp±15°范围内利用Hough变换检测指针，如果H[ρ][θ]的最大值大于长度阈值T，说明检测到了指针，如果小于阈值T，说明没有检测到指针，则再把θ限制在(θ_min,θ_max)内检测。

（3）在完成指针检测之后，根据指针直线所在的θ值与(θ_min,θ_max)的比例进行仪表的读数。

所述SIFT算法是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变的图像局部特征描述算子[Lowe D.Distance Image Feature from Scale-invariant Key Points[J].International Journal of Computer Vision.2004,60(2):91-100]。SIFT特征是图像的局部特征，对视角变化、仿射变换、噪声也保持一定程度的稳定性，其特征具有独特性、多量性、高速性、可扩展性等特点。

本发明的有益效果：本发明提出的变电站仪表设备读数检测算法具有很好的鲁棒性。在不同的光照条件下，采用的SIFT特征配准算法可以准确的在机器人采集图像中获取仪表设备的区域，而后采用改进的快速Hough直线检测算法提高了后台服务器对实时输入图像的计算能力，并且具有高度的准确性，进而可以保证变电站监控平台可以及时的获得仪表读数结果。经在该变电站实地运行测试统计，应用本发明算法的智能巡检机器人对多种仪表设备的读数正确率综合统计在99.2%以上，完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求。

附图说明

图1为本发明的整体工作流程图；

图2为本发明定位仪表的工作流程图；

图3为本发明识别指针仪表的工作流程图；

图4为DOG尺度空间；

图5为种子点形成的示意图；

图6为利用仪表模板图像实现在采集图像中的仪表定位；

图7为仪表设备区域示意图；

图8（a）为仪表图像灰度化处理后的结果；

图8（b）为仪表图像二值化处理后的结果；

图8（c）为仪表图像细化处理后的结果；

图9（a）为仪表指针图像Hough变换指针检测结果；

图9（b）为仪表指针图像结果显示。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

智能机器人由移动站和基站两部分组成，移动站和基站间通过无线网桥实现通讯连接。移动站通过铺设在地面下方的磁轨道和RFID（Radio Frequency IDentification）卡实现准确的导航和定位，其上安装有CCD（Charge-coupled Device）摄像机和红外热像机，由此实现设备图像的采集；基站通过IEC61850接口与变电站顺控平台实现交互。

在机器人巡检任务操作中，变电站顺控平台通过IEC61850接口向智能机器人基站发送命令，机器人基站接受命令后，根据命令中要检测的设备，自动规划出一条最优的路线并通过无线网络下发给智能机器人移动站，移动站接受命令后，开始沿最优路径向目标设备运行，当机器人到达目标点后，采集目标设备的红外图像和可见光图像，通过图像处理、模式识别的算法，自动识别出设备的状态，并通过无线网络发送给机器人基站，由基站通过IEC61850接口发送到变电站顺控平台，依此驱动顺控操作的执行。

智能机器人能够自动实现对仪表设备的状态识别，首先必须实现仪表设备在图像中的准确定位，在此基础上，分别采用不同的算法实现仪表读数的自动识别。本发明主要工作包括：采用SIFT算法来实现设备的准确定位；采用Hough变换等算法实现仪表读数的识别。

某500KV智能变电站是目前国内首次采用智能巡检机器人自动识别户外敞开式断路器、隔离开关位置状态及仪表读数的示范站。该站通过变电站监控信息一体化平台与智能机器人双向交互，实现了智能机器人代替人工进行变电站设备巡检、状态识别的任务。

由于机器人需要全天候的在室外运作，实验测试结果表明本发明提出的变电站仪表设备读数检测算法具有很好的鲁棒性。在不同的光照条件下，采用的SIFT特征配准算法可以准确的在机器人采集图像中获取仪表设备的区域，而后采用改进的快速Hough直线检测算法提高了后台服务器对实时输入图像的计算能力，并且具有高度的准确性，进而可以保证变电站监控平台可以及时的获得仪表读数结果。经在该变电站实地运行测试统计，应用本发明算法的智能巡检机器人对多种仪表设备的读数正确率综合统计在99.2%以上，完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求。

一种改进的变电站巡检机器人的多仪表读数识别方法，巡检机器人接收命令后运动到目标位置，巡检机器人通过自带的CCD摄像机和红外热像机采集指针仪表的红外图像和可见光图像，然后通过采用SIFT（Scale-invariant feature transform）算法实现仪表定位；采用Hough变换算法实现仪表读数识别，最后通过无线网络发送给机器人基站，由机器人基站通过IEC61850接口发送到变电站顺控平台，依此驱动顺控操作的执行。

所述仪表定位分为以下具体步骤，

步骤（1-1），生成尺度空间；

步骤（1-2），生成SIFT特征向量；

步骤（1-3），匹配SIFT特征向量。

所述仪表读数识别分为以下具体步骤，

步骤（2-1），仪表图像的预处理；

步骤（2-2），利用快速Hough交换算法识别仪表指针。

所述步骤（1-1），生成尺度空间，包括以下具体步骤，

步骤（1-1-1），生成尺度空间的图像：利用一组连续的高斯卷积核与原图像进行卷积生成尺度空间图像；所述原图像为红外图像和可见光图像；

步骤（1-1-2），生成DoG（Difference ofGaussian）图像：将相邻尺度的尺度空间图像相减得到一组DoG图像D(x,y,σ)；搜索局部极值点，确定备选的特征点。DoG为“高斯差分函数”，D(x,y,σ)表示使用这个函数相邻尺度的空间图像相减之后得到的新的图像，其中x，y表示图像中像素的x，y坐标，σ是标准差，图像不同的尺度空间是指图像不同的模糊程度，这个模糊的程度由σ值决定。

若一幅图像的像素强度表示为I(x,y)，x指图像中像素的x坐标，y指图像中的y坐标。

则高斯卷积图像为：

$G(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{(-(x^2+y^2)/2{\mathrm{\σ}}^2)}---\left(1\right)$

DoG图像可表示为：

D(x,y,mσ)＝(G(x,y,k^mσ)-G(x,y,k^m-1σ))×I(x,y)    (2)

其中，m＝1,2,…s,k＝2^1/s，m为从1到s之间的任意正整数，s是一个有限正整数，k为2的1/s次幂，公式（2）为计算两幅相邻尺度空间图像的高斯差分函数，得到的结果是相邻尺度的高斯差分图像。D(x,y,mσ)表示相邻尺度的DOG图像，公式（2）应用自论文【LoweD.Distance Image Feature from Scale-invariant Key Points[J].International Journal of ComputerVision.2004,60(2):91–100.】。

所述步骤（1-2），生成SIFT特征向量，包括以下具体步骤，

步骤（1-2-1），通过尺度空间极值的检测，初步确定关键点位置和所在尺度；图4为DOG尺度空间的三个相邻尺度，在检测尺度空间的极值时，图中标记为叉号的像素需要与相同和相邻尺度的26个像素进行比较，以确保在尺度空间和二维图像空间均检测到极值点。

步骤（1-2-2），通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点，以增强匹配稳定性、提高抗噪声能力；

步骤（1-2-3），利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性；

步骤（1-2-4），在以关键点为中心的8×8的窗口内，分成4个4×4的小块，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点，如图5所示。实际计算过程中，为了增强匹配的稳健性，建议对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点最终形成128维的SIFT特征向量。此时SIFT特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。

步骤（1-3），匹配SIFT特征向量，包括以下具体步骤：

步骤（1-3-1），计算两幅图像的特征点的匹配关系：生成图像的SIFT特征向量后，采用两幅图像中关键点特征向量的欧氏距离作为相似性判定度量，取源图像（模板图像）中的某个关键点，并找出其与待匹配图像中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离小于某个比例阈值，则接受这一对匹配点。

步骤（1-3-2），计算投影变换矩阵，在巡检机器人采集的仪表设备图像中依照模板图像准确的定位仪表位置：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]---\left(3\right)$

H为投影变换矩阵，[x',y',1]^T,[x,y,1]^T分别为某组特征匹配点在源图像和待匹配图像上的像点坐标；由已知点的坐标，求得H矩阵，根据模板图像中的设备位置，实现待检测图像中的仪表的准确定位。经过以上的步骤，可以在巡检机器人采集的仪表设备图像中依照模板图像准确的定位仪表位置，如图6所示。

步骤（1-3-3），利用特征点对的分布状态去除个别特征点在配准过程中存在的错误，根据公式（3）将特征点在模板图像中的坐标位置映射到机器人采集图像中，从而得到仅保留仪表设备区域的子图像，如图7所示。

指针式仪表设备通常分类有深色表盘浅色指针与刻度，或者浅色表盘深色指针与刻度两种。而在变电站形形色色的指针式仪表中，指针都具有一个统一的特征，这就是，通过表盘圆心（或由圆心起始）的具有一定长度的近似直线。在完成仪表表盘定位之后，便可以利用指针的这一特征，对指针进行识别提取。

步骤（2-1），仪表图像的预处理；主要包括以下工作步骤：

步骤（2-1-1），图像灰度化：为了提取仪表指针，需要对图像进行分割，去除对提取表针有干涉影响的背景。先将彩色图像转换为灰度图像，采用标准的平均值法，用g表示灰度化后的灰度值：

g＝0.30R+0.59G+0.11B    （4）

R、G、B即为彩色图像中的三原色分量，R是Red红色，G是Green绿色，B是Blue蓝色。

步骤（2-1-2），图像二值化：由于仪表指针在灰度图像中具有均一值，可以用灰度图像二值化去除背景噪音而保留仪表指针的区域。但是图像的二值化处理就是把图像中的像素按照给定的阈值分化成黑白两种颜色。变电站的仪表通常是安置在室外，由于现场的光线变化及其他设备阴影的遮挡，使得采集的仪表图像亮度不均，有时甚至会出现“阴阳”似的表盘图像。因此我们使用自适应阈值算法对图像进行二值化[汪海洋，潘德炉，夏德深。二维Otus自适应阈值选取算法的快速实现[J]。自动化学报。2007，9（33）:968–971]。

具体步骤为：首先定义一个区域大小为(2w+1)×(2w+1)的模板，同时定义(x,y)为该模板的中心坐标，f(x,y)为中心点灰度图像的灰度值，T(x,y)为中心点二值化阈值，按照公式（5）计算各像素的阈值，按照公式（6）对灰度图像进行二值化，w为小于二分之图像长或宽（图像长和宽中数值小的那个）的任意正整数。数学表达式为0<w<min(长,宽)。

$T(x,y)=\frac{1}{{(2w+1)}^2}\underset{k=-w}{\overset{w}{\mathrm{\&Sigma;}}}\underset{l=-w}{\overset{w}{\mathrm{\&Sigma;}}}f(x+k,y+l)---\left(5\right)$

$I(x,y)=\left\{\begin{array}{cc}1,\mathrm{if}& f(x,y)\&GreaterEqual;T\\ 0,\mathrm{if}& f(x,y)<T\end{array}\right.----\left(6\right)$

其中，I(x,y)为二值化后各个像素的图像强度，w的含义同上，k、l同为从–w至w之间的整数。

步骤（2-1-3），图像细化：采用数学形态学中的击中击不中变换来细化二值化后的图像寻找图像中的骨架；二值化后的结果过滤了部分的背景噪音，消除了其对定位待识别指针的影响。为了准确的检测出指针，需要对二值化的图像进行细化处理。图像细化的本质就是寻找图形的中轴线或骨架，并以其骨架来取代该图形。细化的结果应该是一个像素宽度的线条图像，但仍能保持原图像的连通性和拓扑结构[C.J.Hilditch.Comparison of ThinningAlgorithms on a Parallel Processor.Image and Vision Computing.1983,3(1):115-132]。本发明采用数学形态学中的击中击不中变换来细化图像，这种算法处理速度快，细化效果好[李杰，彭月英，元昌安，等。基于数学形态学的细化算法的图像边缘细化[J]。计算机应用。2012，2（32）:514-516]。基本思想是在给定系列具有一定形状的结构元素后，顺序循环的删除满足击中变换的像素。设A^C是待处理图像A的补集，结构元素B由两个不相交的部分B₁和B₂组成，一个探测图像内部，另一个探测图像外部，即B＝B₁∪B₂，且B₁∩B₂＝Ф（空集）。击中击不中变换定义为：

A*B＝(AΘB₁)∩(A^CΘB₂)    （7）

其中Θ表示形态学腐蚀运算。利用B细化A定义为：

$A\&CircleTimes;B=A-(A*B)---\left(8\right)$

即在A中去掉A被B击中的结果。如果我们定义一个结构元素对序列{B}＝{B₁,B₂,…,B_n}，其中B_i+1代表B_i旋转的效果，则细化也可以定义为：

$A\&CircleTimes;\left\{B\right\}=(\&CenterDot;\&CenterDot;\&CenterDot;((A\&CircleTimes;B_1)\&CircleTimes;B_2)\&CenterDot;\&CenterDot;\&CenterDot;)\&CircleTimes;B_n)---\left(9\right)$

这个过程是先用B₁细化一遍，然后再用B₂对前面结果细化一遍，如此直到用B_n细化一遍，整个过程可再重复直到没有变化产生为止，最终得到一个细化的结果，n、i同为有限正整数，其中i<n。

步骤（2-2），利用快速Hough交换算法识别仪表指针；主要包括以下工作步骤：

Hough变换[孙丰荣，刘积仁。快速霍夫变换算法[J]。计算机学报。2001，10（24）:1102–1109]是模式识别领域中对二值图像进行直线检测的有效方法，其核心思想是点线的对偶性，通过变换将图像空间转换到参数空间中。在标准参数化方式下，图像空间中的直线表达为：

ρ＝xcosθ+ysinθ,ρ≥0,0≤θ≤π    （10）

区别于直角坐标系中点的坐标表示方法（x,y）,ρ与θ是极坐标系中一个点的坐标位置的两个参数，ρ表示点到坐标原点的长度，称作极径，θ被称作这一点的极角，即相对于水平0度的角度。

直角坐标系中平面上的任意一点对应极坐标系上的一条正弦曲线，所以同一直线上的点转换到参数空间后都有相应的一条曲线，但是这些曲线必然相交于一点，参数空间中共点的正弦曲线条数即为直角坐标系平面上共线的点数。为了找到这些点组成的直线段，将极坐标空间量化成许多累加器小格，转换的时候，图像中的每一点(x_i,y_i)映射到Hough空间中的一组累加器List(ρ_i,θ_i)中，i为小于图像长宽的正整数，满足以上正弦曲线方程的每一点，将使相应的所有累加器加一。统计完所有的点后，累加器最大值即对应于最长的直线。

Hough变换的容错性比较好，即使预处理后指针有轻微的残缺，也能很好的检测出直线，但是Hough的计算量比较大。我们采用限定角度来缩小Hough变换范围，减少需要计算的像素点。

首先，根据模板库的仪表图像定制一个指针角度的偏转范围(θ_min,θ_max)，即仪表刻度的最小值与最大值，而后标定出模板图像的指针位置θ_Temp。在机器人输入的采集图像中，我们把角度约束在30度以内的范围θ_Temp±15°进行Hough变换，如果没有检测到直线，则再在此范围外检测，这样就大大的减少了Hough变换不必要的计算量。

快速Hough指针检测具体步骤如下：

（1）定义一个二维数组H[ρ][θ]作为累加器。ρ的范围为图像矩阵对角线的距离，θ最初定义仪表图像库中对应设备的最小刻度和最大角度范围(θ_min,θ_max)。

（2）把θ值局限在θ_Temp±15°范围内利用Hough变换检测指针，如果H[ρ][θ]的最大值大于长度阈值T，说明检测到了指针，如果小于阈值T，说明没有检测到指针，则再把θ限制在(θ_min,θ_max)内检测。

（3）在完成指针检测之后，根据指针直线所在的θ值与(θ_min,θ_max)的比例进行仪表的读数。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种改进的变电站巡检机器人的多仪表读数识别方法，其特征是，首先，需要把变电站每一个预置位的一个或多个仪表的图像都保存到仪表的模板库中，模板库中仪表图像的仪表位置和变电站中的仪表位置是一一对应的，在向巡检机器人下达执行任务时，要将在每个预置停车位的待识别仪表种类明确的指出，在巡检机器人行进至此预置停车位后，巡检机器人从仪表的模板库中调取指定仪表的模板图像，然后巡检机器人通过自带的CCD摄像机和红外热像机采集一个预置位的指针仪表的红外图像和可见光图像，如果拍摄所获得图像的仪表的个数与模板图像中仪表的个数不一致，需要重新拍摄，然后采用SIFT算法实现指针仪表定位；采用Hough变换算法实现已采集的指针仪表与仪表模板库的指针仪表进行匹配识别，最后通过无线网络发送给机器人基站，由机器人基站发送到变电站顺控平台，依此驱动顺控操作的执行。

2.如权利要求1所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，所述仪表定位分为以下具体步骤，

步骤（1-1），生成尺度空间；

步骤（1-2），生成SIFT特征向量；

步骤（1-3），匹配SIFT特征向量。

3.如权利要求1所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，所述仪表读数识别分为以下具体步骤，

步骤（2-1），仪表图像的预处理；

步骤（2-2），利用快速Hough交换算法识别仪表指针。

4.如权利要求2所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，所述步骤（1-1），生成尺度空间，包括以下具体步骤，

步骤（1-1-1），生成尺度空间的图像：利用一组连续的高斯卷积核与原图像进行卷积生成尺度空间图像；

步骤（1-1-2），生成DoG图像：将相邻尺度的尺度空间图像相减得到一组DoG图像；搜索局部极值点，确定备选的特征点。

5.如权利要求2所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，所述步骤（1-2），生成SIFT特征向量，包括以下具体步骤，

步骤（1-2-1），通过尺度空间极值的检测，初步确定关键点位置和所在尺度；

步骤（1-2-2），通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点；

步骤（1-2-3），利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性；

步骤（1-2-4），在以关键点为中心的2ⁿ×2ⁿ的窗口内，分成2^n-1个2^n-1×2^n-1的小块，在2^n-1×2^n-1的小块上计算8个方向的梯度方向直方图，其中2ⁿ≤图像长度并且2ⁿ≤图像宽度，n为大于0的正整数；

绘制每个梯度方向的累加值，即形成一个种子点；对每个关键点使用若干个种子点来描述，这样对于一个关键点最终形成SIFT特征向量；此时SIFT特征向量已经去除了尺度变化、旋转几何变形因素的影响，再继续将特征向量的长度归一化，则进一步去除光照变化的影响。

6.如权利要求2所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，步骤（1-3），匹配SIFT特征向量，包括以下具体步骤：

步骤（1-3-1），计算两幅图像的特征点的匹配关系：生成图像的SIFT特征向量后，采用两幅图像中关键点特征向量的欧氏距离作为相似性判定度量，取源图像中的某个关键点，并找出其与待匹配图像中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离小于某个比例阈值，则接受这一对匹配点；

步骤（1-3-2），计算投影变换矩阵，在巡检机器人采集的仪表设备图像中依照模板图像准确的定位仪表位置：得到两幅图像的特征点的匹配关系后，两幅图像存在这样的一个变换过程：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ 1\end{array}\right]=H\left[\begin{array}{c}x\\ y\\ 1\end{array}\right]---\left(3\right)$

H为投影变换矩阵，[x',y',1]^T,[x,y,1]^T分别为某组特征匹配点在源图像和待匹配图像上的像点坐标；由已知点的坐标，求得H矩阵，根据模板图像中的设备位置，实现待检测图像中的仪表的准确定位；x'、y'为源图像上特征点象素的x、y的坐标，x、y为待匹配图像上的与x'、y'相对应的坐标，即x'、y'在待匹配图中的位置；

步骤（1-3-3），利用特征点对的分布状态去除个别特征点在配准过程中存在的错误，根据公式（3）将特征点在模板图像中的坐标位置映射到机器人采集图像中，从而得到仅保留仪表设备区域的子图像。

7.如权利要求3所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，步骤（2-1），仪表图像的预处理；主要包括以下工作步骤：

步骤（2-1-1），图像灰度化：采用平均值法将彩色图像转换成灰度图像；

步骤（2-1-2），图像二值化：采用自适应阈值算法对得到的灰度图像进行二值化，去除背景噪音而保留仪表指针的区域；

步骤（2-1-3），图像细化：采用数学形态学中的击中击不中变换来细化二值化后的图像寻找图像中的骨架。

8.如权利要求3所述一种改进的变电站巡检机器人的仪表读数识别方法，其特征是，步骤（2-2），利用快速Hough交换算法识别仪表指针；主要包括以下工作步骤：

步骤（2-2-1），通过限定角度来缩小Hough变换范围，减少需要计算的像素点：

首先，根据模板库的仪表图像定制一个指针角度的偏转范围(θ_min,θ_max)，即仪表刻度的最小值与最大值，而后标定出模板图像的指针位置θ_Temp；在机器人输入的采集图像中，把角度约束在30度以内的范围θ_Temp±15°进行Hough变换，如果没有检测到直线，则再在此范围外检测，这样就减少了Hough变换不必要的计算量；

步骤（2-2-2），利用快速Hough交换算法检测：

（1）定义一个二维数组H[ρ][θ]作为累加器；ρ的范围为图像矩阵对角线的距离，θ最初定义仪表图像库中对应设备的最小刻度和最大角度范围(θ_min,θ_max)；

（2）把θ值局限在θ_Temp±15°范围内利用Hough变换检测指针，如果H[ρ][θ]的最大值大于长度阈值T，说明检测到了指针，如果小于阈值T，说明没有检测到指针，则再把θ限制在(θ_min,θ_max)内检测；

（3）在完成指针检测之后，根据指针直线所在的θ值与(θ_min,θ_max)的比例进行仪表的读数。